算力的解剖图：一张图看懂全球 AI 产业链的真实结构
“GPU 是 AI 的脑，但脑不能孤立运转。它需要 HBM 做记忆、CoWoS 做骨架、TSMC 做躯干、电力做血液——一个完整的’生命系统’。“
一、10 万卡 GPU 的幻觉
2025 年，一家美国顶级 AI 公司豪掷 200 亿美元，部署了一个号称”10 万卡 GPU 集群”的超算中心。
按照 NVIDIA 官方数据，10 万颗 H100 的总算力应该达到 2.5 EFLOPS（FP16）。但公司内部 benchmark 一跑，实际有效训练算力只有标称值的 60% 左右。
剩下 40% 的算力去哪了？
(ps: 这个数据是业内公开的秘密——大多数大模型的训练效率都在标称值的 50-70% 区间。)
不是 GPU 在偷懒，而是这 10 万颗 GPU 没有”配齐”——HBM 容量不够、CoWoS 封装延迟、NVLink 互联瓶颈、数据中心供电跟不上，最终整个集群跑成了一个”10 万颗孤立 GPU 的集合”，而不是”一台 10 万卡的超级计算机”。
这件事暴露了 AI 行业一个根深蒂固的误区——
当我们说”我有 100 万颗 GPU”的时候，我们到底在说什么？
GPU 数量从来不是 AI 算力的真实度量。真正决定 AI 算力的，是一个由 5 个关键卡点组成的完整产业链：
1. GPU / ASIC（芯片架构）
2. HBM（高带宽内存）
3. CoWoS（先进封装）
4. 高速互联（NVLink / InfiniBand / Spectrum-X）
5. 数据中心 + 电力 + 液冷
任何一个卡点掉链子，整条链路就打折。
(ps: 接下来四篇文章，我们将分别拆解这五个卡点。本文是第二篇，聚焦前四个”硬件卡点”——第五个”电力卡点”在第一篇已经详细拆过。)
二、生命系统：AI 算力的新隐喻
要理解 AI 算力的真实结构，我们得先换一个隐喻。
之前的隐喻是”GPU 是大脑”。但这个隐喻太单薄了——它让人们以为只要堆 GPU 就能堆出算力。这是错的。
让我们用一个更完整的隐喻——“生命系统”。
| AI 算力组件 | 对应生命系统 | 比喻 |
|---|---|---|
| GPU / ASIC | 大脑 / 神经元 | 思考的核心，但需要氧气和血液 |
| HBM | 短期记忆 / 工作记忆 | 思考的”工作台”，容量决定能同时处理多少事 |
| CoWoS | 神经系统骨架 | 把脑、记忆、感官连成一个整体 |
| 高速互联 | 突触连接 / 神经网络 | 让 10 万个神经元能够协同思考 |
| 数据中心 + 电力 + 液冷 | 血管 + 心脏 + 氧气 | 给整个系统供给能量和散热 |
| 模型 + 软件栈 | 思维 / 意识 | 让硬件产生智能 |
按照这个模型，AI 算力的真实度量不是”神经元数量”，而是：
有效 AI 算力 = 加速器规模 × 单卡性能 × 集群互联效率 × 数据中心可用率
每一项都是个独立的乘数项。任何一项接近 0，整个算力就归零。
(ps: 这是为什么 NVIDIA 的真正壁垒不是 GPU 性能，而是”系统级整合”——它把脑、记忆、骨架、血管全部打包销售。竞争对手要挑战 NVIDIA，必须同时复制这 5 层。)
接下来，我们一个一个拆。
三、芯片架构：NVIDIA 70%，ASIC 加速追赶
NVIDIA Blackwell：2026 年的绝对主角
2026 年全球高端 AI 加速器市场，NVIDIA 仍然是绝对主角。
根据 TrendForce 数据，NVIDIA 在 2025 年高端云 AI accelerator 市场占有约 70% 的份额。2026 年，NVIDIA 的高端 GPU 出货量预计仍超过 640 万颗，其中 Blackwell 系列（B200、B300、GB200、GB300）将占其高端 GPU 出货的 70%+。
(ps: 一句话：NVIDIA 不在 2026 年发布的新品，但 Blackwell 家族已经大到让所有对手窒息。)
但 2026 年还有另一个看点——Rubin 平台的爬坡。
NVIDIA 原本计划 2027 年发布的 Vera Rubin 平台（搭载 Rubin GPU + Kyber 机架），受 800 VDC 供电架构改造影响延期到 2028 年。但 DigiTimes 供应链调研显示，Rubin GPU 仍将在 2026 Q3 开始小批量爬坡——比官方时间表提前了半年。
这就是 NVIDIA 的可怕之处：即使下一代产品延期，他们已经准备好了一整套”补丁方案”——Blackwell Ultra、GB300 升级、Rubin 提前出货——让对手永远追不上节奏。
ASIC：第二增长曲线
NVIDIA 不是一个人在战斗。它的对手是所有 hyperscaler（超大规模云厂商）的自研 ASIC。
2026 年最值得关注的三家 ASIC：
Google TPU（Ironwood v7）：2026 年出货预计超过 330 万颗。Google 2026 年新采购的 AI Server 中，TPU 型服务器占比预计达到 78%——TPU 已经从”小众补充”变成 Google AI 基础设施的核心。
AWS Trainium 3：AWS 在 2026 Q3 把 Trainium 系列服务器出货目标上调了 30%。AWS 的策略是双路线——NVIDIA 满足通用需求，Trainium 满足成本敏感场景。
Meta MTIA：Meta 在 2026 年仍以 NVIDIA GB/VR 为主，但 2027 年将”显著加速”自研 ASIC 部署。
(ps: 这三家 ASIC 的共同点——都是 hyperscaler 自己的芯片。Google 自己设计、自己流片、自己部署。AWS 和 Meta 类似。这是一种”垂直整合”——把芯片的成本、节奏、定制化全部握在自己手里。)
ASIC 拐点：占比逼近 28%
最关键的产业拐点：2026 年全球 AI Server 中，ASIC 型服务器占比逼近 28%。
剩下的 72% 仍然是 GPU 型服务器，但 ASIC 已经从”专用补充方案”升级为”大规模推理基础设施”。
更值得注意的是，TrendForce 预测 2026 年北美五大 hyperscaler 的 AI 推理算力同比增长 122%，训练算力同比增长 56%——推理的增速是训练的两倍多。
这就是 ASIC 的最大机遇——训练市场 NVIDIA 难以撼动，但推理市场仍可重新切分。
(ps: ASIC 的本质是”用硬件定制换单位 token 成本下降”。AI 推理是按 token 计费的——单位 token 成本每下降 10%，AI 公司的毛利率就提升 10%。这就是为什么 hyperscaler 拼命做 ASIC。)
四、高带宽内存：SK hynix 三分之二订单
如果说 GPU 是 AI 的大脑，那 HBM（High Bandwidth Memory，高带宽内存）就是 AI 的短期记忆。
HBM 决定了 AI 能不能”同时思考多件事”——HBM 容量越大，AI 一次能处理的上下文越长；HBM 带宽越高，AI 训练速度越快。
(ps: 想象一下，一个工作台只有 1 平米的人，无论多么聪明，也没法同时处理 5 个大项目。HBM 就是 AI 的”工作台面积”。)
2026 年的 HBM 市场是一场”三国杀”，但赢家已经很明显：
- SK hynix：拿下 NVIDIA 2026 年 HBM 订单的 三分之二以上
- Samsung：剩余份额的主要竞争者
- Micron：2026 年 3 月开始高产量生产 HBM4，专供 NVIDIA Vera Rubin 平台
三家都已通过 NVIDIA HBM4 认证，“big three”全部进入量产。但 SK hynix 凭借 HBM3 时代的技术领先和客户绑定，稳坐头把交椅。
HBM4 的关键升级
HBM4 相比 HBM3e 有两项关键升级：
- 单颗容量：提升约 50%
- 带宽：提升约 60%
每一颗 NVIDIA Rubin GPU 必须搭配至少 8-12 颗 HBM 4。这意味着一个常被忽视的”二阶约束”——
NVIDIA 的 GPU 出货上限，直接受限于 SK hynix + Samsung + Micron 的总产能。
即使 TSMC 能造出再多 GPU，没有 HBM 也装不出来。这就是为什么 2025 年 HBM 缺货比 GPU 缺货更严重。
12 层 vs 16 层
SK hynix 已经在 2026 年 H2 把 HBM4 12 层芯片推进大规模量产，16 层芯片正在认证中。
“层数”指的是堆叠的 DRAM 晶圆数量。12 层意味着单颗 HBM 容量约 36 GB，16 层意味着约 48 GB。AI 大模型需要更大的”工作台”，16 层是必然趋势。
五、先进封装：TSMC 的”卡脖子”
如果说 HBM 是 AI 的记忆，那 CoWoS（Chip-on-Wafer-on-Substrate）就是把”大脑 + 记忆 + 感官”封装成一颗完整芯片的关键工艺。
(ps: 没有 CoWoS，再先进的芯片设计也只能停留在图纸上。这是一项”看不见但卡死人”的技术。)
TSMC CoWoS 满产
2026 年 TSMC 的 CoWoS 产能”extremely tight”——极度紧张。
根据 DigiTimes 报道：
- TSMC CoWoS 业务以 80% CAGR（年复合增长率）增长
- NVIDIA 预订了 TSMC 2026-2027 年 CoWoS 产能的一半以上
- 全球所有高端 AI 芯片（H100、B200、TPU、Trainium、Ascend 910C）都要排队等 CoWoS 产能
嘉义先进封装厂与 CoPoS 演进
TSMC 正在台湾嘉义建设新的先进封装厂，专门用于扩大 CoWoS 产能。同时，TSMC 启动了 CoPoS（CoWoS 的下一代） 的研发，预计 2027-2029 年逐步释放产能。
CoPoS 相比 CoWoS：
- 更高的互连密度：单位面积内可以堆叠更多芯片
- 更好的电气性能：信号传输更快、功耗更低
- 更复杂的异构集成：把 GPU、HBM、I/O 控制器集成到单一封装
(ps: CoWoS 解决了”放得下”的问题，CoPoS 解决的是”放得更好”的问题。从 2027 年起，AI 芯片的竞争会从”算力”转向”封装密度”。)
OSAT 外包
为了缓解产能压力，TSMC 开始把部分 CoW（CoWoS 中的晶圆级封装环节）外包给 OSAT（封测）厂商——日月光、Amkor 等。这进一步证明了 CoWoS 产能的稀缺性——TSMC 不得不”丢卒保车”。
六、高速互联：NVLink + InfiniBand + Spectrum-X
GPU 之间如何”对话”？
这就是高速互联网络要解决的问题。
NVIDIA 的网络三件套
NVIDIA 在 GPU 互联领域形成了”三件套”组合：
- NVLink：单台服务器内 GPU-to-GPU 互联，单代速度提升 2x
- InfiniBand Quantum-X800：跨服务器 GPU 集群互联，XDR 标准 800 Gb/s 超低延迟
- Spectrum-X 以太网：面向 hyperscale 数据中心的以太网替代方案
这三件套共同构成了一个完整的”AI 工厂网络”——从单台服务器到整个数据中心，所有 GPU 都能”无缝对话”。
互联决定效率
为什么高速互联这么重要？
举个例子：一个 10 万卡的 GPU 集群，如果互联效率达到 95%，实际有效算力接近标称值；如果互联效率只有 70%，有效算力只剩 70%——因为大量 GPU 在”等待通信”，没在做计算。
(ps: 这就是为什么”小集群”也可以训练大模型——只要互联效率足够高。但要扩展到 10 万卡、100 万卡，没有顶级的互联就是空谈。)
NVIDIA 把网络和 GPU 绑定销售，进一步加深了平台锁定——竞争对手即使造出同样性能的 GPU，也无法复制 NVIDIA 的网络生态。
1.6T 网络的下一站
2026-2027 年，AI 集群正在向 1.6T（1600 Gb/s） 网络演进。这是 InfiniBand 和 Spectrum-X 的下一站，也是 NVIDIA 在 2027 年发布 Rubin Ultra 时的标配。
七、数据中心 + 电力：衔接第一篇
(ps: 这个卡点上一篇已经讲得很清楚了——变压器 4 年、燃机 2031、铀价翻倍。这里只补充一个数据。)
根据 JLL 预测，全球数据中心容量到 2030 年可能接近 200 GW，其中美洲仍然占全球容量约 一半。AI 数据中心逐步从”芯片密集型”走向”芯片 + 能源密集型”。
也就是说——AI 算力的下一个十年，越来越像电力行业的竞争。
这一点，我会在第三篇《100 GW AI 意味着什么》里详细拆解。
八、训练 vs 推理：两个正在分化的市场
讲完 5 个硬件卡点，再换一个视角——按”使用场景”看 AI 算力。
训练市场：NVIDIA + Google TPU 双寡头
训练市场的特点：
- 极高算力需求（万卡级集群）
- 高速集群互联
- 大容量 HBM
- 强调 FP8/FP4 低精度计算能力
目前 NVIDIA GPU 仍然具有非常强的优势。Google TPU 在 Google 自己的生态内占据主导，但在其他云厂商中仍是补充。
推理市场：ASIC + 国产芯片的机会窗口
推理市场的特点：
- 单位 token 成本
- 每瓦性能
- 集群利用率
2026 年北美五大 hyperscaler 的 AI 推理算力同比增长 122%——这是 ASIC 和国产芯片的最大机遇。
(ps: 训练是”造一个新模型”，推理是”用模型回答亿万个问题”。训练一次烧几十亿美元，推理每天烧几百万美元。AI 公司最在意的是推理成本——单位 token 成本每下降 10%，毛利率就提升 10%。)
中国的机会窗口
中国的情况很特殊：
- 训练侧：受限于先进制程，被迫使用国产芯片 + 自研模型
- 推理侧：DeepSeek 等模型已经走出”低成本推理”的路径
DeepSeek V4 是个标志性事件——它开始”脱离 CUDA 生态”，给国产 AI 芯片（昇腾、寒武纪、海光）创造了应用窗口。
九、地缘视角：算力霸权分布
讲完硬件和市场，再从地缘角度看一眼。
美国什么都有：NVIDIA + Google TPU + AWS Trainium + Microsoft Maia + Meta MTIA + OpenAI + Anthropic + 资本市场 + 完整云生态。
台湾/韩国有”制造三巨头”——TSMC（先进制程 + CoWoS）、SK hynix（HBM 第一）、Samsung（HBM 第二 + Foundry）。这三家是全球 AI 芯片真正的”心脏”，没有它们，NVIDIA、Apple、AMD、Google 全部停摆。
中国的 ★★★★ 综合控制力来自”制造 + 国产芯片 + 电网 + 算力场景”的独立闭环：华为昇腾 2025 年出货约 52 万颗、阿里平头哥自研 ASIC、寒武纪 / 海光 DCU 国产替代路径成型、阿里云 / 腾讯云 / 华为云承担国内算力场景。这套闭环在 2026 年正在加速成熟。
(ps: 一个反直觉的事实是——台湾/韩国的综合算力控制力比中国低，但远高于欧洲和中东。原因是 TSMC + SK hynix + Samsung 三家真正垄断了 AI 芯片的关键生产环节。)
(ps: 这也解释了为什么地缘紧张会直接影响 AI 算力——台湾海峡一旦有事，全球 AI 产业链会瞬间瘫痪。这就是台积电”矽盾”的真正含义：不是用来打仗的，而是用来”不打”的。)
十、AI 算力是生命系统
写到这里，让我们回到开头的那个隐喻。
AI 算力不是一个”GPU 数量的函数”，而是一个”生命系统”。它需要 GPU 做大脑、HBM 做记忆、CoWoS 做骨架、高速互联做神经网络、数据中心做血管和心脏，五个环节缺一不可。
这就是为什么”算力霸权”不是单一国家的游戏——美国掌握”脑”，台湾韩国掌握”骨架和记忆”，中国正在建立”第二套生命系统”。
下一篇文章，我们将拆开这台”生命系统”的血液——电力。当 100 GW AI 启动的时候，它消耗的电力将超过英国全国；2035 年，全球 AI 用电可能占全球总用电的 5-10%。这是一个被严重低估的产业转折点。
“每一颗 NVIDIA GPU 都由一家美国公司设计、一家台湾公司制造、一家韩国公司提供记忆。这不是民族主义的口号，而是产业物理的现实。”
（完）
下篇预告：《100 GW AI 意味着什么——一场静悄悄的能源超级周期》——AI 数据中心正在成为全球电力第一大用户。当 AI 用电量超过英国全国、当燃机订单排到 2031 年、当铀价 5 年涨 200%，一场”能源超级周期”已经悄然启动。第三篇，我们将进入 AI 的电力经济学。
参考资料
- TrendForce: AI Server Shipments Forecast Raised to Nearly 31% YoY in 2026
- TrendForce: Rubin Faces Delay Risks; Blackwell to Account for Over 70% of NVIDIA’s High-End GPU Shipments in 2026
- TrendForce: Aggressive Procurement of NVIDIA GB and Rubin Racks Will Drive a 1.2x Surge in AI Inference Computing Power in 2026
- TrendForce: NVIDIA Expands Product Portfolio to Address AI Training and Inference, Responding to an ASIC Push from CSPs
- Micron: Micron in High-Volume Production of HBM4 Designed for NVIDIA Vera Rubin
- SDxCentral: Nvidia certifies ‘big three’ for HBM4
- The Herald Business: SK hynix says HBM4 12-layer chips in mass production
- DigiTimes: TSMC’s CoWoS capacity remains ‘extremely tight’ as OSAT partners ramp expansion
- DigiTimes: CoWoS capacity emerges as AI bottleneck as TSMC’s advanced packaging grows at 80% CAGR
- DigiTimes: TSMC expands CoWoS capacity with Nvidia booking over half for 2026-27
- DigiTimes: Foxconn, Wistron, Quanta to sustain trillion-dollar revenue on AI server in 2026
- NVIDIA: Spectrum-X Ethernet Platform for AI Networking
- NVIDIA: Quantum-X800 InfiniBand Platform
- 东方财富：国产芯片调研：昇腾2025年芯片总出货约52万颗
- 新浪财经：AI芯片国产五强深度解析
- 钛媒体：国产AI芯片三国杀：从算力竞争到生态战争
- 投资/行业分析/全球AI高端算力供给规模与分布结构分析.md
- 投资/行业分析/2026-2035_全球AI算力_电力地图与经济学模型.md